波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。     

基于210Pb、137Cs分布和粒度特征的海床液化深度判定研究以埕岛海域为例

黄河水下三角洲海床液化现象分布广泛,对海底工程设施造成了极大威胁,确定液化深度可为海上工程建设提供参考,具有很大的理论意义和应用价值。在黄河水下三角洲北部埕岛海域液化扰动区钻探取得柱状沉积物对其进行剖面图像扫描、放射性核素和粒度成分测试,获得图像分层特征、²¹⁰Pb、¹³⁷Cs活度及粒度剖面,在此基础上计算得到沉积速率。结果表明：埕岛海域受黄河1976年由刁口流路改道清水沟流路事件影响显著,这一时期沉积速率大幅减小并呈现阶段性特征;快速沉积时期表层沉积物频繁液化产生的砂层不断累积,从而形成密集砂层;通过分析²¹⁰Pb_ex、¹³⁷Cs活度剖面获得研究区液化历史的沉积记录,判定历史液化深度至少为5 m,这一结论与前人研究相近。以²¹⁰Pb、¹³⁷Cs的活度为工具来判断沉积物液化历史及深度存在一定的可行性,具有很大的发展潜力。